学习 Hodgkin-Huxley 神经元动力学的控制策略
最优化与控制
2023-11-14 v1 机器学习
摘要
我们提出一种用于闭环深部脑刺激(DBS)的神经网络方法。我们将寻找最优神经刺激策略的问题表述为一个控制问题。在此设定中，控制策略旨在通过基于患者持续的神经元活动实时调整 DBS 系统的参数（通常通过电刺激）来优化治疗效果。我们离线使用神经网络逼近值函数，从而能够通过反馈形式实时生成控制（刺激）。神经元活动由 Hodgkin-Huxley 模型所决定的非线性刚性微分方程组刻画。我们的训练过程利用 Pontryagin 极大值原理与 Hamilton-Jacobi-Bellman 方程之间的关系来同时更新值函数估计。我们的数值实验展示了我们的方法在分布外样本上的准确性以及对系统中度冲击与扰动的鲁棒性。
引用
@article{arxiv.2311.07563,
title = {Learning Control Policies of Hodgkin-Huxley Neuronal Dynamics},
author = {Malvern Madondo and Deepanshu Verma and Lars Ruthotto and Nicholas Au Yong},
journal= {arXiv preprint arXiv:2311.07563},
year = {2023}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2023, December 10th, 2023, New Orleans, United States, 12 pages